Titan顶点中心指数与Neo4j标签

Question

当我接近这个时，我试图对这两种技术进行比较，我想知道你们中是否有人已经有过处理其中任何一个或两个的经验？ 在处理类似的用例时，我主要对性能数字感兴趣。

Answer 1

这两个概念之间的区别在于全局索引和本地索引之间的区别。

据我所知， Neo4j 顶点标签允许您通过顶点的“类别”分解索引空间。通过这种方式，O(log(|V|))查找现在为O(log(|V|/c))，其中c是您在顶点集上的类别/标签数量，并且（等式）假定顶点数量相等在每个类别中。因此，顶点标签有助于全局索引调用，因为它是V的函数。

接下来， Titan 的以顶点为中心的索引对顶点的入射边缘进行排序和索引。通过入射到顶点的标签/属性查找特定边的成本为O(log(inc(v)))，其中inc(v)是设置为顶点v的入射边的大小。因此，以顶点为中心的索引是局部索引，因为它是v的函数。

据我了解， Neo4j 不支持以顶点为中心的索引。您现在在 Titan ， OrientDB 和 TinkerGraph （...和RDF商店也以这种方式排序 - 通过spog配对）中看到此概念。接下来，所有已知的图形数据库都支持全局索引，（我相信只有 Neo4j 和 OrientDB ），通过标签的概念支持顶点集分区。

同样，假设我的假设在 Neo4j 中使用顶点标签是正确的，我们讨论的是两种不同的用例 - 全局与本地索引。从超级节点问题的角度来看，全局索引不会平息遍历大顶点的问题，而这是本地顶点中心索引的唯一目的。

你可以在这里阅读超节点问题和以顶点为中心的指数：
http://thinkaurelius.com/2012/10/25/a-solution-to-the-supernode-problem/

Answer 2

同意Marko所说的一切，人们可以更进一步，并认为在图数据库世界中，本地索引可以（甚至应该）替换全局索引。在我看来，图形数据模型的最大优势在于它可以让您将数据模型编码到图形拓扑中，在灵活性，易于演化和性能方面获得定性优势。考虑到这一点，我认为Neo4j中的标签实际上会减损这一切;将标签重新划分为一个节点，其中相邻边指向具有该标签的源，这更符合“架构是图形”的理念。

当然，如果你的引擎缺少本地索引，我们就会回到超级节点问题。但是如果你确实拥有它们（我认为某些东西应该被称为图形数据库），你可以轻松地将标签转换为节点L，并创建指向该节点的关系您希望使用L

标记的那些顶点

v -[L]-> L

表示v标签为L。现在，如果你希望Titan中的这个行为像Neo4j标签一样，只需将-[L]->关系设为“manyToOne”（参见Titan cardinality constraints）并创建一个以顶点为中心的索引。这种模式让您可以获得标签等所有功能;你可以

• 有效地将其用作与该标签相关的属性的命名空间
• 在一个标签内对元素进行排序
• 轻松嵌套标签而不会损失性能（只需使用复合键）
• 将标签L的声明与访问标记的元素的方式分开

Answer 3

标签可以提供一些设计模式，通过对图表进行去密化来提高性能。例如：它们消除了对类型节点的需求，这通常会变得非常密集。标签可以选择与唯一索引相关联。在这里，索引属性的能力不是新的，但是唯一地约束它的能力是。如果您之前在应用程序中工作，则可以通过让数据库处理此问题来获得性能提升。 （这样做确实更方便。）最后，如果您没有为标签分配唯一索引，它仍将被编入索引，以帮助某些类型的查询（例如＆＃34;给我所有标签＆＃34;）

的节点

所有这一切都说，虽然标签在某些情况下可能有助于提高性能，但在更容易使用时，它们的介绍更多。我们刚开始使用Neo4j 2.1，它专门解决密集节点性能（我知道你一直在等待的事情），以及其他性能和功能。可扩展性改进...包括删除（为了所有实际目的消除）上限大小。

菲利普